arXiv

概要

この論文では、Transformerと再帰型ニューラルネットワーク（RNN）を、音声認識（ASR）、音声翻訳（ST）、音声合成（TTS）といった幅広い音声タスクにおいて比較検討しています。驚くべきことに、ASRの15ベンチマーク中13でTransformerがRNNを上回る精度を達成し、STやTTSにおいても同等の性能を示しました。また、Transformerの学習には大規模なミニバッチやマルチGPUによる恩恵が大きいことも報告されており、実験再現性の高いレシピがESPnetに統合されています。